Dlaczego dokładne prognozowanie pogody nadal jest trudne: kluczowa rola danych w czasie rzeczywistym

عندما تفتح تطبيقًا للتنبؤ بالطقس، تبدو العملية بسيطة: تختار موقعًا، تحدد ساعة، ثم تقرأ النتيجة.

لكن خلف هذه الشاشة، تكمن واحدة من أعقد مشكلات التنبؤ التي تواجه العلم.

فالغلاف الجوي نظام ثلاثي الأبعاد، يتغير باستمرار.

قبل أن يتمكن أي نموذج من التنبؤ بما سيحدث لاحقًا، يجب عليه أولاً الإجابة على سؤال معقد بشكل مدهش: ما الذي يفعله الغلاف الجوي بالضبط في هذه اللحظة؟

لا نرى الغلاف الجوي كاملاً أبدًا

لا توجد أداة واحدة توفر صورة كاملة للطقس. فرادارات الطقس تكشف عن جزيئات الهطول. وتراقب الأقمار الصناعية السحب والرطوبة ودرجات الحرارة من الفضاء. بينما تقيس المحطات الأرضية الظروف في مواقع فردية. وتوفر بالونات الطقس والطائرات معلومات من ارتفاعات مختلفة.

لكل مصدر من هذه المصادر دقته الخاصة، وتكرار تحديثه، وفجوات تغطيته، وأخطاء قياسه. لذا، فإن بناء الصورة الحالية للغلاف الجوي يشبه إعادة بناء حركة المرور في مدينة بأكملها باستخدام كاميرات موجهة في اتجاهات مختلفة، تُحدّث بياناتها في أوقات متباينة، وتترك العديد من الشوارع غير مرئية تمامًا.

يُطلق خبراء الأرصاد الجوية على عملية دمج الملاحظات مع التنبؤات السابقة اسم “استيعاب البيانات” (data assimilation). وتُنتج هذه العملية تقديرًا للحالة الجوية الراهنة، يُعرف بالتحليل، والذي يُعد نقطة الانطلاق للتنبؤ التالي.

وكما يوضح المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، تعتمد جودة التنبؤ بشكل حاسم على دقة هذا التحليل. فحتى النموذج الممتاز سيواجه صعوبة إذا كانت صورته الأولية غير مكتملة، أو غير دقيقة، أو قديمة.

لماذا قد تكون تطبيقات الطقس مضللة؟

إحدى التقنيات الشائعة للتنبؤات قصيرة المدى هي “التدفق البصري” (optical flow). تقوم هذه التقنية بتحليل صور الرادار المتتالية، وتقدير كيفية تحرك الهطول، ثم استقراء هذا التحرك في المستقبل. يمكن أن تعمل هذه الطريقة بشكل جيد عندما تتحرك حزمة مطرية بثبات. لكن المشكلة تكمن في أن العواصف ليست مجرد أشكال ثابتة تنزلق عبر الخريطة؛ فهي تتشكل، تشتد، تضعف، تنقسم، وتندمج. وقد تظهر خلية حمل حراري جديدة في مكان لم يكن فيه مطر قبل 20 دقيقة.

تخيل عاصفة تقترب من جبل. قد تتنبأ عملية استقراء بسيطة بأنها ستستمر في التحرك بنفس السرعة. لكن في الواقع، يمكن للتضاريس أن تغير تدفق الهواء، وتبطئ النظام، وتساهم في هطول أمطار غزيرة أو برد. لذا، لا يقتصر التحدي على التنبؤ بمكان تحرك الهطول الحالي فحسب، بل يجب على النموذج الفعال أيضًا التنبؤ بكيفية تغير النظام الجوي نفسه.

مشكلة أخرى هي أن النماذج واسعة النطاق تُجيد وصف الجبهات الجوية، وأنظمة الضغط، والدورة الجوية عبر البلدان والقارات. لكن العديد من الأحداث التي تؤثر على الناس والشركات تحدث على نطاق أصغر بكثير. فقد تؤثر عاصفة رعدية على جزء واحد من المدينة بينما تترك جزءًا آخر شبه جاف.

يمكن لجبهة سحابية أن تخفض إنتاج مزرعة شمسية بشكل حاد، بينما تتجاوز منشأة أخرى تبعد عنها 20 كيلومترًا. كما أن ظروف الرياح يمكن أن تختلف بشكل كبير بين مستوى الأرض، وسطح المباني، والارتفاع الذي تعمل فيه الطائرة بدون طيار. هذه التباينات الدقيقة يصعب التنبؤ بها.

يُعد الطقس شديد الحساسية لحالته الأولية. فأي شكوك صغيرة في درجة الحرارة أو الرطوبة أو الرياح يمكن أن تتفاقم كلما امتدت فترة التنبؤ إلى المستقبل. هذا هو المعنى الحقيقي لـ “تأثير الفراشة”. وهو لا يعني أن مستشعرًا واحدًا معيبًا يدمر تلقائيًا تنبؤًا عالميًا، بل يعني أننا لا نستطيع أبدًا قياس الغلاف الجوي بشكل مثالي، وأن عدم اليقين في حالته الأولية يتزايد بمرور الوقت.

لهذا السبب، تنتج أنظمة التنبؤ الحديثة بشكل متزايد “مجموعات” (ensembles): وهي تنبؤات متعددة محتملة بدلاً من إجابة واحدة يُفترض أنها مؤكدة. فبالنسبة للعديد من القرارات، معرفة أن هناك احتمالًا بنسبة 30% لحدوث عاصفة شديدة يكون أكثر فائدة من تلقي تنبؤ واثق يتبين لاحقًا أنه خاطئ.

أهمية التوقيت الحاسم

يُعد الكمون (Latency) أحد أقل مصادر أخطاء التنبؤ التي تُناقش. تخيل نموذجًا يقدم تنبؤًا ممتازًا بناءً على ظروف جوية قِيست قبل ساعتين. إذا تشكلت عاصفة رعدية قبل 20 دقيقة فقط، فقد يصبح هذا التنبؤ عديم الفائدة عمليًا، بغض النظر عن مدى تعقيد النموذج.

تُعرّف المنظمة العالمية للأرصاد الجوية “التنبؤ قصير المدى” (nowcasting) بأنه تنبؤ محلي مفصل يمتد من الوقت الحاضر وحتى ست ساعات قادمة. ومع ذلك، بالنسبة للتطبيقات الواقعية، فإن التنبؤ قصير المدى يتجاوز مجرد أفق التنبؤ. فهو يتطلب مسار عمل مستمرًا يجمع الملاحظات الجديدة، ويتحقق من جودتها، ويزامنها زمنيًا، ثم يدير النموذج ويقدم نتيجة محدثة في غضون دقائق.

في الوقت نفسه، لا يعني التنبؤ بالطقس في الوقت الفعلي عدم وجود أي تأخير حرفيًا. بل يعني أن النظام يظل يستمع إلى الغلاف الجوي ويحدث بياناته بسرعة كافية للتأثير على القرارات المتخذة.

وهذا يحمل أهمية كبيرة لبعض الصناعات. فالمستهلك الذي يقرر ما إذا كان سيحمل مظلة قد يتسامح مع تنبؤ ساعي غير دقيق. لكن العديد من الأنظمة التشغيلية لا يمكنها ذلك. تحتاج الطائرات بدون طيار المخصصة للتوصيل إلى معرفة ما إذا كانت الأمطار الغزيرة أو الجليد أو الرياح الخطيرة ستعترض مسارها قبل وصولها إلى المنطقة. وقد يحتاج المطار إلى تعديل عمليات المدرج مع تطور عاصفة رعدية في مكان قريب.

يحتاج مشغل الطاقة الشمسية إلى توقع جبهة سحابية سريعة الحركة قبل أن ينخفض الإنتاج فجأة. ويمكن لمنصات اللوجستيات والتنقل إعادة توجيه المركبات قبل أن تتسبب الفيضانات أو الأمطار الغزيرة في تعطيل شبكة الطرق.

وينطبق المبدأ نفسه على الفعاليات الخارجية، وخدمات الطوارئ، والزراعة، وتجارة الطاقة. فهؤلاء المستخدمون لا يحتاجون ببساطة إلى “طقس الغد”. بل يحتاجون إلى معرفة ما الذي يتغير، وأين يتغير، وما إذا كان لا يزال هناك وقت للتصرف.

الذكاء الاصطناعي يسرّع التنبؤات الجوية، لكن السرعة وحدها لا تكفي

تستطيع نماذج Sztuczna inteligencja للتنبؤات الجوية توليد التوقعات بسرعة أكبر وبقوة حاسوبية أقل مقارنة بالعديد من النماذج العددية التقليدية. وقد تفوقت بعضها بالفعل على الأنظمة القائمة على الفيزياء في متغيرات معينة وآفاق زمنية للتنبؤ. لكن الذكاء الاصطناعي لا يلغي مشكلة المراقبة والرصد.

لا تزال معظم نماذج الذكاء الاصطناعي العالمية للتنبؤات تبدأ بتحليل للغلاف الجوي تنتجه البنية التحتية التقليدية للتنبؤات الجوية العددية. وإذا كان هذا التحليل قديمًا بساعات، فإن سرعة الاستدلال (inference) لا يمكنها تحديث الحالة الأولية.

يمكن لنماذج الذكاء الاصطناعي أيضًا أن تقلل من تقدير شدة الأحداث النادرة، وذلك لأن الأمثلة المتطرفة تكون ممثلة تمثيلاً ناقصًا في بيانات تدريبها، ولأن بعض أساليب التدريب تفضل النتائج الأكثر سلاسة والأكثر احتمالاً من الناحية الإحصائية. وقد وجدت الأبحاث الحديثة أن نماذج الذكاء الاصطناعي الرائدة يمكن أن تنتج أخطاء أكبر من الأنظمة القائمة على الفيزياء عند التنبؤ بأحداث الحرارة والبرودة والرياح القياسية.

لهذا السبب، من غير المرجح أن يكون المستقبل مجرد منافسة بسيطة بين الذكاء الاصطناعي والفيزياء. فمركز ECMWF يدير بالفعل نظام التنبؤ التشغيلي الخاص به القائم على الذكاء الاصطناعي جنبًا إلى جنب مع نموذجه التقليدي القائم على الفيزياء.

ستجمع البنية الأقوى بين النماذج العالمية، والملاحظات المحلية عالية التردد، والتنبؤات الفورية القائمة على الذكاء الاصطناعي (nowcasting)، والقيود الفيزيائية، والتقديرات الاحتمالية لعدم اليقين.